Искусственный интеллект в помощь финансисту

10 задач финансовой службы, которые можно решить с помощью технологий машинного обучения

Сегодня мы повсюду сталкиваемся с новыми технологиями: как в повседневной жизни, так и в бизнесе. Машинное обучение, Интернет вещей и блокчейн помогают лидерам рынка повышать конкурентоспособность и находить новые возможности для оптимизации своих процессов.

Вероника Бахталовская
Вероника
Бахталовская,
архитектор
финансовых
решений SAP CIS

Согласно прогнозу Deloitte Global, в 2018 году предприятия среднего масштаба будут более интенсивно использовать машинное обучение, а к 2020 году количество проектов, где станут применяться такие алгоритмы, возрастет в 4 раза.

В Сбербанке считают, что через 5 лет 80% всех решений будут приниматься с помощью искусственного интеллекта. «Альфа-банк» ожидает активного перехода отрасли на безлюдные технологии: по мнению его специалистов, уже через 3 года клиенты начнут общаться с ботами при каждом втором обращении за услугой. Согласно опросу компании ServiceNow, проведенному в конце 2017 года по всему миру, 89% организаций уже пользуются в той или иной степени механизмами машинного обучения. Наконец, как показало проведенное в то же время исследование MIT Sloan Management review, почти 85% руководителей уверены в том, что искусственный интеллект позволит их компаниям получить или поддерживать конкурентное преимущество.

Основные направления оптимизации для российских предприятий пока не выходят за рамки производственной и коммерческой деятельности: решаются задачи, связанные с предсказанием ремонтов, повышением качества, удержанием клиентов, подготовкой рекомендаций и предложений. Есть успехи и в финансовой сфере. Например, заявки на кредит в одной российской кредитной организации теперь обрабатываются за 10 секунд. При рассмотрении каждой заявки робот анализирует около 2 тыс. параметров потенциального заемщика, используя как собственные сведения, так и информацию крупнейших бюро кредитных историй (в том числе из доступных государственных баз данных), а также сведения о платежах за услуги ЖКХ.

Решения на базе SAP Leonardo дают возможность оптимизировать работу финансовой службы с помощью как входящих в его состав готовых решений, созданных на основе методов машинного обучения, так и самостоятельно разработанных моделей.

Финансы и учет считаются довольно консервативными сферами деятельности, тем не менее и здесь возникают новые возможности для оптимизации и развития. Итак, какие горизонты открывает машинное обучение для финансовых процессов организации?

ТИПЫ ЗАДАЧ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ФИНАНСОВЫХ ПРОЦЕССОВ


Финансы и учет считаются довольно консервативными сферами деятельности, тем не менее и здесь возникают новые возможности для оптимизации и развития


Машинное обучение используется в тех случаях, когда отсутствует четкий алгоритм автоматизации. Например, на банковский счет поступили деньги, но вы не знаете, за что именно, так как контрагент может платить и по одному договору, и по другому, и по нескольким вместе, при этом не указывая точно все номера договоров и счетов. Тогда в игру вступает искусственный интеллект, который на основе прошлых действий выявляет закономерности и предсказывает наиболее вероятный результат.

В финансах используются алгоритмы машинного обучения как с учителем, так и без учителя. Алгоритмы обучения с учителем решают, например, задачи классификации, когда на основе признаков надо отнести объект к какому-то классу. В частности, в случае клиента банка – к определенной категории кредитоспособности. Еще один класс задач – прогнозирование, например, поступления денежных средств на банковские счета компании.

Алгоритмы обучения без учителя используются для кластеризации – например, если нужно разделить контрагентов на разные группы, чтобы оптимизировать взаимодействие с ними.

В финансовых процессах на машинное обучение можно переложить часть обязанностей главного бухгалтера, казначея, экономиста, причем максимально эффективно. Один из примеров – компания BASF, которая с помощью приложения SAP Cash Application автоматизировала 94% платежей.

МАШИННОЕ ОБУЧЕНИЕ ДЛЯ КАЗНАЧЕЙСТВА

1. ПРОГНОЗИРОВАНИЕ ДЕНЕЖНОГО ПОТОКА

Современному финансовому директору приходится заниматься разными задачами, и одна из самых важных и актуальных – управление ликвидностью. Речь идет о том, чтобы на счетах компании всегда было достаточно денежных средств для поддержания приемлемого для отрасли уровня ликвидности.

От своевременного поступления денежных средств на расчетные счета компании зависит ее способность своевременно и без штрафов расплачиваться с поставщиками и осуществлять иные платежи. Как правило, есть условия контракта, и мы ожидаем, что клиенты будут выполнять денежные переводы в полном соответствии с ними, но реальное поступление финансовых средств зависит от многих других факторов. С другой стороны, есть исходящие платежи, которые компания должна осуществлять для погашения своих обязательств.

Вот лишь некоторые из внешних параметров, которые влияют на прогноз ликвидности: курсы валют, биржевые показатели, рейтинг кредитоспособности клиента, период налоговых выплат, день недели, объем покупок за последние месяцы. Не вся эта информация содержится в транзакционной учетной системе. С помощью алгоритмов машинного обучения можно учесть эти факторы и спрогнозировать сумму денежного потока с максимальной точностью. Эта задача может быть решена по-разному: прогноз в разрезе банковских счетов, банков, групп банков и др.

2. ОПРЕДЕЛЕНИЕ ВЕРОЯТНОСТИ ПОСТУПЛЕНИЯ ПЛАТЕЖА

Посредством алгоритмов машинного обучения можно определить вероятность оплаты клиентом того или иного счета на разных временных горизонтах, например один, два или три месяца.

Прежде всего анализируются параметры, которые влияют на платежное поведение клиента: его кредитный рейтинг, платежное поведение на протяжении последних нескольких месяцев, дата выставления счета, дата согласования и подписания договора, годовой оборот, история звонков и т. д. Имея данные по вероятности поступления денежных средств, можно планировать и исходящие платежи, оптимизируя таким образом финансовый цикл компании.

3. РЕКОМЕНДАЦИЯ БАНКОВСКОГО СЧЕТА ДЛЯ ИСХОДЯЩИХ ПЛАТЕЖЕЙ


В финансовых процессах на машинное обучение можно переложить часть обязанностей главного бухгалтера, казначея, экономиста, причем максимально эффективно


У крупных компаний, как правило, много банковских счетов, и зачастую в разных банках с разными условиями обслуживания и разным балансом. Алгоритмы машинного обучения можно использовать для выявления счета, который лучше всего подойдет для осуществления платежей в конкретный рабочий день. Система может анализировать данные о состоянии каждого счета, анализировать сумму исходящих платежей и другие параметры и давать рекомендации по оптимальному управлению счетами. Это позволит сократить затраты на расчетно-кассовое обслуживание и оптимизировать денежные потоки.

МАШИННОЕ ОБУЧЕНИЕ ДЛЯ БУХГАЛТЕРА

Главная цель бухгалтера состоит в своевременном и качественном предоставлении информации о финансовом состоянии предприятия. И здесь на помощь придут технологии машинного обучения. Наибольших усилий требуют регистрация входящих счетов от поставщиков, работа с сокращением сроков и сумм дебиторской задолженности, закрытие периода.

4. ПРОГНОЗ ДЕБИТОРСКОЙ ЗАДОЛЖЕННОСТИ

Прогнозирование сумм дебиторской задолженности на конец периода – классическая задача машинного обучения. Если в середине месяца вы уже знаете примерную сумму просроченной дебиторской задолженности, у вас есть время на то, чтобы повлиять на этот результат − например, приостановить часть отгрузок, запустить мероприятия по сокращению этой задолженности (обзвон ответственным менеджером, проверка поступивших средств и их соотнесение с выставленными счетами, изменение условий договоров на авансовые платежи и т. д.). Прогноз может строиться на данных из транзакционной и других систем. Эта задача является частью прогнозного закрытия.

РЕКОМЕНДАЦИИ ПО СОПОСТАВЛЕНИЮ СЧЕТА ПМ/ПС5. РЕКОМЕНДАЦИИ ПО СОПОСТАВЛЕНИЮ СЧЕТА ПМ/ПС

Если организация ведет учет с использованием 15-го счета «Поступление материалов / Поступление счета» для регистрации входящих поставок и кредиторской задолженности, то в конце месяца всегда выполняется закрытие этого счета. Анализ всех поставок и всех счетов от поставщиков требует немалого времени. Машинное обучение может помочь в ускорении данного процесса, предоставив рекомендации по поводу того, какие позиции по дебету с какими позициями по кредиту могут быть соотнесены и закрыты.

6. РЕГИСТРАЦИЯ ВХОДЯЩИХ СЧЕТОВ

Регистрация бумажных входящих счетов от поставщиков является трудоемкой задачей: нужно найти соответствующий заказ на закупку в системе, идентифицировать код поставщика, правильно внести сумму и другие параметры. Распознавание входящих счетов и определение их взаимосвязи с документами из транзакционной системы тоже может успешно выполнять модель машинного обучения, освобождая, таким образом, бухгалтера от рутинных операций и от потенциальных ошибок. Ему останется только проверить предложение системы или уже проведенный документ.

7. КЛАССИФИКАЦИЯ ВХОДЯЩИХ СЧЕТОВ ДЛЯ НАЛОГОВОГО УЧЕТА

Современные компании ведут параллельный учет для получения достоверной и актуальной информации: первичный документ регистрируется в системе и одновременно отражается по нескольким учетным принципам. Для корректного отражения входящих счетов за товары, работы и услуги необходимо правильно определить их принадлежность к тому или иному типу расходов, а для этого надо учесть много признаков. Некорректное отнесение в момент проводки потребует последующих корректировок, что отрицательно скажется на сроках закрытия и расчете налогов в соответствии с локальным законодательством.


Сотрудники отделов обработки входящих платежей тратят большую часть своего времени на соотнесение входящих платежей с выставленными счетами


Алгоритм машинного обучения может предлагать рекомендации или определять правильный тип расходов непосредственно в момент проводки. В ходе регистрации документа система учтет следующие параметры: описание товара, работы и услуги, группу контрагента, тип расходов на основании прошлых действий бухгалтера.

8. КЛАССИФИКАЦИЯ КОМАНДИРОВОЧНЫХ РАСХОДОВ

Каждый сотрудник, который хотя бы раз был в командировках, понимает, насколько трудоемок процесс ввода авансового отчета в транзакционную систему. Если счет расходов выбран неправильно, бухгалтеру придется потратить много сил и времени на исправление ошибки. В случае неверной классификации расходов аудиторы могут указать на последствия для налогового учета. Алгоритмы машинного обучения способны идентифицировать тип расхода и зарегистрировать его в системе, освободив, таким образом, и сотрудников, и бухгалтеров компании от рутинной работы.

ВХОДЯЩИЕ ПЛАТЕЖИ9. ВХОДЯЩИЕ ПЛАТЕЖИ

Сотрудники отделов обработки входящих платежей тратят большую часть своего времени на соотнесение входящих платежей с выставленными счетами. Однако сначала необходимо определить, за какие товары, работы и услуги был произведен платеж. А если клиент заплатил сразу по нескольким договорам? Эта задача тоже решается с помощью методов машинного обучения. Облачный сервис SAP Cash Application поможет бухгалтеру в оптимизации выполнения его задач. Алгоритм может как предложить позиции счета и оплаты, так и непосредственно связать их.

10. РАСЧЕТ СУММЫ СОМНИТЕЛЬНЫХ ДОЛГОВ

В конце периода часто требуется осуществить расчет и начисление резервов по сомнительным долгам. Алгоритм машинного обучения поможет начислить резервы с учетом многих факторов: предыдущего платежного поведения покупателя, его кредитного рейтинга, суммы просроченной дебиторской задолженности. В итоге более точно и быстро будут сформированы предложения по суммам, что приведет к сокращению сроков закрытия.

ПРЕДПОСЫЛКИ ДЛЯ РАБОТЫ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

Российские компании начинают использовать методы машинного обучения в своей работе и уже добиваются определенных результатов. Согласно исследованию, проведенному компанией «Инфосистемы Джет» и аналитическим центром TAdviser, объем российского рынка искусственного интеллекта и машинного обучения составил в 2017 году около 700 млн руб., а к 2020-му возрастет до 28 млрд руб.


Чтобы компании могли использовать технологии машинного обучения, необходима не только технологическая, но и, в первую очередь, организационная зрелость


Чтобы компании могли использовать технологии машинного обучения, необходима не только технологическая, но и, в первую очередь, организационная зрелость.

Под организационной зрелостью финансовой сферы в компании мы понимаем четко выстроенные учетные процессы, учетную политику, регламент закрытия, регламент начисления резервов и платежный регламент. Кроме того, необходимы стратегия развития финансовой функции, зафиксированные цели и показатели оценки эффективности (KPI).

Технологическая составляющая заключается в наличии данных и мощностей для их обработки. Алгоритмам машинного обучения необходимо сначала учиться, и лишь после этого они смогут работать. Для обучения им нужны данные, причем чем больше, тем лучше. Современные компании уже накопили достаточно разнообразных данных, но эти данные зачастую сложно извлечь и предоставить в том виде, в котором алгоритм сможет их обработать. Решение SAP Leonardo позволяет компаниям развивать свою технологическую составляющую и строить оптимизационные модели.

Таким образом, алгоритмы машинного обучения способны решить целый комплекс задач в финансовых процессах. Они позволяют сократить количество ошибок, ускорить закрытие периода, оптимизировать управление денежными средствами. С их помощью финансовая служба станет эффективным союзником других подразделений, что позволит обеспечить достижение целей и повышение конкурентоспособности всей компании. 

Контакт с нами
Отправить

Выполните вход под своей учетной записью или зарегистрируйтесь, чтобы создать новую учетную запись.

Не зарегистрированы?

Еще не зарегистрированы? Получите доступ к 5000 эксклюзивных материалов, подпишитесь на новостную рассылку и управляйте ей.




Создать новый профиль